[go: up one dir, main page]

CN108804520A - 一种访客行为分类方法及系统 - Google Patents

一种访客行为分类方法及系统 Download PDF

Info

Publication number
CN108804520A
CN108804520A CN201810390556.4A CN201810390556A CN108804520A CN 108804520 A CN108804520 A CN 108804520A CN 201810390556 A CN201810390556 A CN 201810390556A CN 108804520 A CN108804520 A CN 108804520A
Authority
CN
China
Prior art keywords
data
visitor
behavior
wss
successively
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810390556.4A
Other languages
English (en)
Inventor
林志伟
肖龙源
蔡振华
李稀敏
刘晓葳
谭玉坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xiamen Kuaishangtong Technology Corp ltd
Original Assignee
Xiamen Kuaishangtong Technology Corp ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xiamen Kuaishangtong Technology Corp ltd filed Critical Xiamen Kuaishangtong Technology Corp ltd
Priority to CN201810390556.4A priority Critical patent/CN108804520A/zh
Publication of CN108804520A publication Critical patent/CN108804520A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/01—Customer relationship services

Landscapes

  • Business, Economics & Management (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明提供了一种访客行为分类方法及系统，对采集的原始数据进行数据标准化，得到标准化后的数据yi；确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k‑means聚类，并计算群内平方和WSS，依次得到k_max个WSS数值；确定WSS的拐点k_best；重新按照k_best的值作为k‑means的初始分类数，重新对数据进行依次k‑means聚类。与现有技术相比，能够在没有任何业务经验的前提下，自动确定为k‑means聚类算法事先分配一个合适的初始分类数；既可手动控制参数范围，又可实现自动划分，简单、快速、明了。

Description

一种访客行为分类方法及系统
技术领域
本发明涉及一种访客行为分类方法及系统，属于互联网领域。
背景技术
信息时代的来临使得企业营销焦点从产品中心转变为客户中心，客户关系管理成为企业的核心问题。客户关系管理的关键问题是客户分类，依据客户的行为特征数据，对客户进行分类，依据实际业务情况将客户划分为不同行为特征群体，企业针对不同行为特征的客户制定优化的个性化服务方案，采取不同的营销策略，将优先营销资源集中于高价值客户，实现企业利润最大化目标。
在航空领域常见的分析流程是借助航空公司客户访问行为数据(点击、跳转、购买等行为)，利用聚类分析技术对客户进行分群。最后对不同行为特征的客户群提供个性化服务，制定相应的营销策略。
聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组。它可以建立在无类标记的数据上，是一种非监督学习算法。K-means聚类算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的k类，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度越大。
常见的聚类分析有k-means算法，通常该算法需要结合实际业务背景，事先确定需要将客户划分成多少类，作为超参数同行为数据一同作为算法的输入。然后通过一系列测试验证以此种分类数是否可以满足业务需求，因此具有一定的主观性。
发明内容
本发明提供了一种访客行为分类方法及系统，具有能够在没有任何业务经验的前提下，自动确定为k-means聚类算法事先分配一个合适的初始分类数的特点。
根据本发明提供的一种访客行为分类方法，具体方法包括，
数据标准化，对采集的原始数据进行数据标准化，得到标准化后的数据yi，标准化公式为：其中x为数据点，n为数据点的总个数，i＝1,2，…，n；所述原始数据为访客行为数据，包括具体行为的次数和时间；所述行为包括访问行为；
执行k-means聚类计算，确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k-means聚类，并计算群内平方和WSS(Within-ClusterSumofSquare)，依次得到k_max个WSS数值；
确定WSS的拐点k_best；
重新按照k_best的值作为k-means的初始分类数，重新对数据进行依次k-means聚类。
具体方法还包括，y维度判断，判断y维度是否大于设定阈值，如果否，则执行k-means聚类计算。
具体方法还包括，如果y维度大于设定阈值，则对数据y进行降维，得到确定的标准化数据。
采用PCA算法对数据y进行降维。
采用PCA算法确定WSS的拐点k_best。
所述方法还包括，重新对数据进行依次k-means聚类后，输出每个访客数据所对应的分类编号。
根据本发明提供的一种访客行为分类系统，其特征在于：包括，
访客行为采集模块，采集访客行为数据，包括具体行为的次数和时间；所述行为包括访问行为；
数据标准化计算模块，对采集的原始数据进行数据标准化，得到标准化后的数据yi，标准化公式为：其中x为数据点，n为数据点的总个数，i＝1,2，…，n；所述原始数据为访客行为数据；
第一k-means聚类计算模块，确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k-means聚类，并计算群内平方和WSS(Within-Cluster Sum of Square)，依次得到k_max个WSS数值；
WSS拐点k_best确定模块，确定WSS的拐点k_best；
第二k-means聚类计算模块，重新按照k_best的值作为k-means的初始分类数，重新对数据进行依次k-means聚类。
还包括y维度判断模块，判断y维度是否大于设定阈值，如果否，则执行k-means聚类第一k-means聚类计算。
还包括数据y降维模块，如果y维度大于设定阈值，则对数据y进行降维，得到确定的标准化数据。
还包括访客数据分类编号输出模块，重新对数据进行依次k-means聚类后，输出每个访客数据所对应的分类编号。
与现有技术相比，本发明技术方案能够在没有任何业务经验的前提下，自动确定为k-means聚类算法事先分配一个合适的初始分类数；既可手动控制参数范围，又可实现自动划分，简单、快速、明了。
附图说明
图1为本发明其中一实施例的流程原理示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本说明书(包括摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
根据本发明提供的一种访客行为分类方法，具体方法包括，
数据标准化，对采集的原始数据进行数据标准化，得到标准化后的数据yi，标准化公式为：其中xi为数据点，n为数据点的总个数，i＝1,2，…，n；所述原始数据为访客行为数据，包括具体行为的次数和时间；所述行为包括访问行为；
执行k-means聚类计算，确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k-means聚类，并计算群内平方和WSS(Within-ClusterSumofSquare)，依次得到k_max个WSS数值；
确定WSS的拐点k_best；
重新按照k_best的值作为k-means的初始分类数，重新对数据进行依次k-means聚类。
如图1所示，作为本发明的一个实施方式，k_max为20，计算群内平方和WSS会依次得到20个WSS数值。
具体方法还包括，y维度判断，判断y维度是否大于设定阈值，如果否，则执行k-means聚类计算。作为本发明的一个具体实施方式，设定阈值为20，如果y的维度不大于20，则直接对y数据进行k-means聚类计算。
具体方法还包括，如果y维度大于设定阈值，则对数据y进行降维，得到确定的标准化数据。作为本发明的一个具体实施方式，设定阈值为20，如果y的维度大于20，则对于数据y进行降维得到确定的标准化数据，再进行k-means聚类计算。
作为本发明的一个具体实施方式，采用PCA算法对数据y进行降维。
作为本发明的一个具体实施方式，采用PCA算法确定WSS的拐点k_best。
所述方法还包括，重新对数据进行依次k-means聚类后，输出每个访客数据所对应的分类编号。
利用PCA算法对数据y进行降维得到数据y_pca，其中降维数由PCA算法中计算得到的特征值按大到小排列，取特征值开始进入稳定波动时所对应的位置，作为PCA的降维数。例如，通过pca得到了10个特征值，1000,500,200,100,50,10,9,8.9,8.8，8.78，发现当特征值从10这个位置开始到后面，数字由前面迅速下降，到后面变得相对平稳，此数字对应的位置，称为拐点。那么该拐点，即10这个数字所在的位置(第6个数)则是pca的降维数。在本具体实施方式中，暂且称这种确定拐点方法为ps法(point-searching method)。
对于PCA算法，
第一步，找到平均向量，即输入数据各个维度分量均值所组成的均值向量μ，即其中xi为数据点，n为数据点的总个数，d为数据的维度；
第二步，通过等式计算协方差矩阵：
第三步，计算特征向量φ1、φ2、…、φd以及相应的特征值λ1、λ2、…、λd；
第四步，取特征值最大的特征值以及对应的特征向量，如λ1>λ2>…>λd则前m个的特征向量和特征值(这里的m通过ps法计算得到的，且m<d)λ1和φ1、λ2和φ2、…、λm和φm；
第五步，由φ1、φ2、…φm构成一个d*m维特征向量的矩阵(得分权重值)U，其中d为原始为维度数；
第六步，根据等式y_pca＝UT(x1 x2 … xd)，将某个数据样本x转换为降维后的数据y_pca＝(y1 y2 … yd)。
对于k-means算法：
第一步，初始化常数k，并从样本数据中随机选取k个数据作为初始点为质心；第二步，重复计算一下过程，直到质心不再改变：a.计算数据与每个质心之间的欧氏距离，把每个数据归入到欧氏距离最小的质心所对应的类中b.计算每个类中的数据的均值向量，重新得到质心；第三步，输出最终的质心以及每个类。
一种访客行为分类系统，包括，
访客行为采集模块，采集访客行为数据，包括具体行为的次数和时间；所述行为包括访问行为；
数据标准化计算模块，对采集的原始数据进行数据标准化，得到标准化后的数据yi，标准化公式为：其中x为数据点，n为数据点的总个数，i＝1,2，…，n；所述原始数据为访客行为数据；
第一k-means聚类计算模块，确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k-means聚类，并计算群内平方和WSS(Within-Cluster Sum of Square)，依次得到k_max个WSS数值；
WSS拐点k_best确定模块，确定WSS的拐点k_best；
第二k-means聚类计算模块，重新按照k_best的值作为k-means的初始分类数，重新对数据进行依次k-means聚类。
还包括y维度判断模块，判断y维度是否大于设定阈值，如果否，则执行k-means聚类第一k-means聚类计算。
还包括数据y降维模块，如果y维度大于设定阈值，则对数据y进行降维，得到确定的标准化数据。
还包括访客数据分类编号输出模块，重新对数据进行依次k-means聚类后，输出每个访客数据所对应的分类编号。
下面以一个航空公司访客行为分群方法的具体实施例进行具体说明。
假设有5个访客，依据具体业务场景，摘取了21个用户指标，如表1和表2所示(表1为原始数据x，表2为对原始数据标准化后的数据y)：最后一次访问时间距观测窗口结束时间天数、最后一次购票时间距观测窗口结束时间天数、观测窗口内访次数、观测窗口内成功购票次数、观测窗口会话总时长、观测窗口内消费金额、机票查询访问次数、航班选择访问次数、旅客信息访问次数、机票查询总停留时间、航班选择总停留时间、旅客信息总停留、时间付费搜索次数、非付费搜索次数、非会员手机登陆次数、会员登陆次数、会员日访问次数、PC端访问次数、移动端访问次数、访问间隔时间、支付订单访问次数。
表1
表2
用户1 用户2 用户3 用户4 用户5
最后一次访问时间距观测窗口结束时间天数 -0.72721 -0.72721 -0.72721 1.220676 0.181803
最后一次购票时间距观测窗口结束时间天数 -0.75689 -0.75689 -0.46578 0.407556 5.647558
观测窗口内访次数 -0.51006 -0.51006 -0.38255 1.785215 -1.78521
观测窗口内成功购票次数 -0.77615 -0.62092 -0.77615 1.241841 3.104602
观测窗口会话总时长 -0.76139 -0.6204 -0.76139 0.789594 1830.111
观测窗口内消费金额 -0.73029 -0.73012 -0.73029 1.077128 1.113581
机票查询访问次数 -0.78003 -0.56336 -0.78003 0.736697 1.386724
航班选择访问次数 -0.6541 -0.52831 -0.52831 1.735883 -0.02516
旅客信息访问次数 -0.71818 -0.71818 -0.71818 0.820783 1.333772
机票查询总停留时间 -0.7303 -0.7303 -0.12172 1.704026 -0.12172
航班选择总停留时间 -0.7762 -0.6586 -0.6586 0.635074 1.458319
旅客信息总停留时间 0.447214 0.447214 0.447214 0.447214 -1.78885
付费搜索次数 -0.77026 -0.77026 -0.63746 1.221789 0.956183
非付费搜索次数 -0.87287 -0.65465 -0.65465 1.091089 1.091089
非会员手机登陆次数 -0.62652 -0.5185 -0.5185 -0.08642 1.749946
会员登陆次数 -0.53187 -0.41625 -0.53187 1.780615 -0.30062
会员日访问次数 -0.77977 -0.61026 -0.77977 1.254417 0.915386
PC端访问次数 -0.69806 -0.69806 -0.69806 0.631581 1.462609
移动端访问次数 -0.66925 -0.61348 -0.66925 0.334627 1.617363
访问间隔时间 -0.03426 -0.03426 0.051393 1.421871 -1.40474
支付订单访问次数 -0.71818 -0.71818 -0.71818 0.820783 1.333772
2)数据y维度为21，大于阈值20，进入3)
3)利用PCA算法对数据y进行降维得到数据y_pca。会得到21个特征值，用ps法确定pca的降维数为2，如表3所示，则可将y转化为y_pca：
表3
变量名 用户1 用户2 用户3 用户4 用户5
Pca-1 0.1 0.15 0.13 -1.22 -1.18
Pca-2 0.89 0.88 0.9 0.4 0.3
4)确定访客行为最大分类数k_max，分别取k＝1,2,3,4,5，分别按划分成k类依次对上一步得到的数据，进行k-means聚类。得到5个WSS数字：0.5,0.2,0.19,0.189,0.1887。
5)利用ps法，确定WSS的拐点k_best＝2。
6)取k＝k_best＝2，重新对y_pca数据进行k-means聚类，如表4所示，此时输出分类编号：1,1,1,2,2
表4
变量名 用户1 用户2 用户3 用户4 用户5
分类编号 1 1 1 2 2
综上，对x执行1)～6)后，会得到和x相同用户数的用户分类编号：1,1,1,2,2。其含义为，用户1、用户2、用户3具有相似属性，被划分在第1组；用户4、用户5具有相似属性，被划分在第2组。

Claims (10)

1.一种访客行为分类方法，具体方法包括，
数据标准化，对采集的原始数据进行数据标准化，得到标准化后的数据yi，标准化公式为：其中x为数据点，n为数据点的总个数，i＝1,2，…，n；所述原始数据为访客行为数据，包括具体行为的次数和时间；所述行为包括访问行为；
执行k-means聚类计算，确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k-means聚类，并计算群内平方和WSS，依次得到k_max个WSS数值；
确定WSS的拐点k_best；
重新按照k_best的值作为k-means的初始分类数，重新对数据进行依次k-means聚类。
2.根据权利要求1所述的访客行为分类方法，具体方法还包括，y维度判断，判断y维度是否大于设定阈值，如果否，则执行k-means聚类计算。
3.根据权利要求2所述的访客行为分类方法，具体方法还包括，如果y维度大于设定阈值，则对数据y进行降维，得到确定的标准化数据。
4.根据权利要求2所述的访客行为分类方法，采用PCA算法对数据y进行降维。
5.根据权利要求1所述的访客行为分类方法，采用PCA算法确定WSS的拐点k_best。
6.根据权利要求1到5之一所述的访客行为分类方法，所述方法还包括，重新对数据进行依次k-means聚类后，输出每个访客数据所对应的分类编号。
7.一种访客行为分类系统，其特征在于：包括，
访客行为采集模块，采集访客行为数据，包括具体行为的次数和时间；所述行为包括访问行为；
数据标准化计算模块，对采集的原始数据进行数据标准化，得到标准化后的数据yi，标准化公式为：其中x为数据点，n为数据点的总个数，i＝1,2，…，n；所述原始数据为访客行为数据；
第一k-means聚类计算模块，确定访客行为最大分类数k_max，分别取k＝1,2,3，…，k_max，划分成k类依次对确定的标准数据进行k-means聚类，并计算群内平方和WSS(Within-Cluster Sum of Square)，依次得到k_max个WSS数值；
WSS拐点k_best确定模块，确定WSS的拐点k_best；
第二k-means聚类计算模块，重新按照k_best的值作为k-means的初始分类数，重新对数据进行依次k-means聚类。
8.根据权利要求7所述的访客行为分类系统，其特征在于：还包括y维度判断模块，判断y维度是否大于设定阈值，如果否，则执行k-means聚类第一k-means聚类计算。
9.根据权利要求8所述的访客行为分类系统，其特征在于：还包括数据y降维模块，如果y维度大于设定阈值，则对数据y进行降维，得到确定的标准化数据。
10.根据权利要求7所述的访客行为分类系统，其特征在于：还包括访客数据分类编号输出模块，重新对数据进行依次k-means聚类后，输出每个访客数据所对应的分类编号。
CN201810390556.4A 2018-04-27 2018-04-27 一种访客行为分类方法及系统 Pending CN108804520A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810390556.4A CN108804520A (zh) 2018-04-27 2018-04-27 一种访客行为分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810390556.4A CN108804520A (zh) 2018-04-27 2018-04-27 一种访客行为分类方法及系统

Publications (1)

Publication Number Publication Date
CN108804520A true CN108804520A (zh) 2018-11-13

Family

ID=64094006

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810390556.4A Pending CN108804520A (zh) 2018-04-27 2018-04-27 一种访客行为分类方法及系统

Country Status (1)

Country Link
CN (1) CN108804520A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711484A (zh) * 2019-01-10 2019-05-03 哈步数据科技(上海)有限公司 一种顾客的分类方法及系统
CN109711896A (zh) * 2018-12-29 2019-05-03 科技谷（厦门）信息技术有限公司 一种基于旅客细分的官网访客流失分析方法
CN110837512A (zh) * 2019-11-15 2020-02-25 北京市商汤科技开发有限公司 访客信息管理方法及装置、电子设备和存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070073489A1 (en) * 2005-09-29 2007-03-29 Roche Molecular Systems, Inc. Systems and methods for determining real-time PCR cycle thresholds using cluster analysis
CN104376057A (zh) * 2014-11-06 2015-02-25 南京邮电大学 一种基于最大最小距离和K-means的自适应聚类方法
CN107886124A (zh) * 2017-11-08 2018-04-06 昆明理工大学 一种自动识别肘部法则中最优k值的方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070073489A1 (en) * 2005-09-29 2007-03-29 Roche Molecular Systems, Inc. Systems and methods for determining real-time PCR cycle thresholds using cluster analysis
CN104376057A (zh) * 2014-11-06 2015-02-25 南京邮电大学 一种基于最大最小距离和K-means的自适应聚类方法
CN107886124A (zh) * 2017-11-08 2018-04-06 昆明理工大学 一种自动识别肘部法则中最优k值的方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HLBAYES: ""通俗理解PCA降维作用"", 《HTTPS://BLOG.CSDN.NET/HLBOY_HAPPY/ARTICLE/DETAILS/77146012》 *
REINSTATE MONICA - G. SIMPSON: ""How to draw the plot of within-cluster sum-of-squares.."", 《HTTPS://STACKOVERFLOW.COM/QUESTIONS/25959385/HOW-TO-DRAW-THE-PLOT-OF-WITHIN-CLUSTER-SUM-OF-SQUARES-FOR-A-CLUSTER》 *
成卫青，卢艳红: ""一种基于最大最小距离和SSE的自适应聚类算法"", 《南京邮电大学学报（自然科学版）》 *
贝塔: ""【机器学习】确定最佳聚类数目的10种方法"", 《HTTPS://ZHUANLAN.ZHIHU.COM/P/24546995》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109711896A (zh) * 2018-12-29 2019-05-03 科技谷（厦门）信息技术有限公司 一种基于旅客细分的官网访客流失分析方法
CN109711484A (zh) * 2019-01-10 2019-05-03 哈步数据科技(上海)有限公司 一种顾客的分类方法及系统
CN110837512A (zh) * 2019-11-15 2020-02-25 北京市商汤科技开发有限公司 访客信息管理方法及装置、电子设备和存储介质

Similar Documents

Publication Publication Date Title
Akhanli et al. Comparing clusterings and numbers of clusters by aggregation of calibrated clustering validity indexes
Wu et al. Contextual bandits in a collaborative environment
CN108665120B (zh) 打分模型的建立、用户信用的评估方法及装置
CN108665323B (zh) 一种用于理财产品推荐系统的集成方法
CN103593425B (zh) 基于偏好的智能检索方法及系统
US10521748B2 (en) Retention risk determiner
US20160357845A1 (en) Method and Apparatus for Classifying Object Based on Social Networking Service, and Storage Medium
Liu et al. Research on telecom customer churn prediction based on ensemble learning
CN108804520A (zh) 一种访客行为分类方法及系统
CN105760547A (zh) 一种基于用户聚类的图书推荐方法及系统
Yu et al. A coupled clustering approach for items recommendation
CN108664653A (zh) 一种基于K-means的医疗消费客户自动分类方法
CN109544231A (zh) 基于物流信息平台的物流配送服务个性化推荐方法
CN108833302A (zh) 云环境下基于模糊聚类及严格双边匹配的资源分配方法
CN110245857A (zh) 目标企业筛选方法、装置、设备与计算机可读存储介质
Zhou et al. Comparison and weighted summation type of fuzzy cluster validity indices
CN111078997B (zh) 一种资讯推荐方法及装置
CN109308564A (zh) 人群绩效等级识别方法、装置、存储介质及计算机设备
CN110297953A (zh) 产品信息推荐方法、装置、计算机设备以及存储介质
CN109167806A (zh) 一种基于前景理论的不确定QoS感知Web服务选择方法
CN113627788A (zh) 服务策略确定方法、装置、电子设备及存储介质
CN109145207B (zh) 一种基于分类指标预测的信息个性化推荐方法及装置
Javadpour et al. Improving the efficiency of customer's credit rating with machine learning in big data cloud computing
Kim et al. A machine cell formation algorithm for simultaneously minimising machine workload imbalances and inter-cell part movements
Zheng Application of silence customer segmentation in securities industry based on fuzzy cluster algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20181113

RJ01 Rejection of invention patent application after publication